廊坊购物网站开发设计地推拉新接单平台

引言

今天带来一篇检索增强语言模型预训练论文笔记——REALM: Retrieval-Augmented Language Model Pre-Training。这篇论文是在RAG论文出现之前发表的。

为了简单，下文中以翻译的口吻记录，比如替换"作者"为"我们"。

语言模型预训练能够捕获世界知识，但这些知识隐含地存储在神经网络的参数中。为了以更模块化和可解释性的方式捕获知识，我们在语言模型预训练中加入了一个潜在知识检索器，允许模型在预训练、微调和推理过程中检索和关注来自大型语料库的文档。

1. 总体介绍

图 1. REALM 通过一个神经知识检索器增强了语言模型的预训练，该检索器从文本知识库 $\mathcal{Z}$中检索知识。语言建模目标的信号反向传播到检索器，检索器必须考虑 $\mathcal{Z}$ 中的数百万个文档——这是一个我们解决的重大计算挑战。

为了以更可解释和模块化的方式捕捉知识，我们提出了一种新颖的框架，检索增强语言模型(Retrieval-Augmented Language Model, REALM)预训练，通过学习文本知识检索器来增强语言模型预训练算法。这种方法要求模型在推理过程汇总决定要检索和使用哪些知识来明确地揭示世界知识的作用。每次预测之前，语言模型使用检索器从维基百科等大型语料库中检索文档，然后关注这些文档以帮助其预测。学习这个模型的端到端需要通过考虑整个文本知识语料库的检索步骤进行反向传播，如图1所示。

在预训练期间整合大规模神经检索模块是一个大的计算挑战，因为检索器必须在每个预训练步骤中考虑数百万个候选文档。为了解决这个问题，我们构建检索器使得对每个文档执行的计算可以被缓存并异步更新，并且最佳文档的旋转可以被表述为最大内积搜索(Maximun Inner Product Search, MIPS)。

2. 背景知识

我们关注BERT的掩码语言建模(MLM)变体，用于预测输入文本段落中缺失的标记。

专注于利用文本知识库$\mathcal{Z}$作为知识来源的开放式问答系统，给定一个问题$x$，从知识库$\mathcal{Z}$中检索可能相关的文档$z$，然后从这些文档中提取答案$y$。

3. 方法

3.1 REALM的生成过程

在预训练和微调中，REALLM都接收一些输入$x$并学习一个关于可能输出$y$的分布$p(y|x)$。在预训练中，任务是掩码语言建模：$x$是来自预训练语料库$\mathcal{X}$的一个句子，其中一些词被掩码，模型必须预测这些缺失词的值$y$。任务是开放式问答：$x$是问题，$y$是答案。

将$p(y|x)$分解为两个步骤：检索和预测。给定输入$x$，从知识库$\mathcal{Z}$中检索可能有帮助的文档$z$，将此建模为从分布$p(z|x)$中采样。然后，根据检索到的$z$和原始输入$x$来生成输出$y$，建模为$p(y|z,x)$，将$z$视为一个隐含变量，并在所有可能的文档$z$上进行边缘化：
$$p(y|x)=\sum _{z\in \mathcal{Z}}p(y|z,x)p(z|x)\text{\hspace{1em}(1)}$$

3.2 模型架构

神经知识检索器对$p(z|x)$进行建模；知识增强编码器对$p(y|z,x)$进行建模。

知识检索器 使用密集内积建模定义：
$$\begin{gathered} p(z|x)=\frac{\exp f(x,z)}{{\sum }_{z^{\prime }}\exp f(x,z^{\prime })} \\ f(x,z)={\text{Embed}}_{\text{input}}(x{)}^{\top }{\text{Embed}}_{\text{doc}}(z) \end{gathered}$$
其中${\text{Embed}}_{\text{input}}$和${\text{Embed}}_{\text{doc}}$是将$x$和$z$分别映射到$d$维向量空间的嵌入函数；$x$和$z$之间的相关性分数定义为向量嵌入的内积。

使用BERT实现嵌入函数，通过将 文本片段连接起来，用[SEP]标记分隔它们，在前面加上[CLS]标记，并在最后附加一个[SEP]标记：
$$\begin{gathered} {\text{join}}_{\text{BERT}}(x)=\text{[CLS]}x\text{[SEP]} \\ {\text{join}}_{\text{BERT}}(x_1,x_2)=\text{[CLS]}{x}_1\text{[SEP]}{x}_2\text{[SEP]} \end{gathered}$$
然后将此输入到BERT总，为每个词元生成一个向量，用[CLS]对应的向量做序列的池化表示。最后，执行线性投影以降低向量的维数，表示为投影矩阵$W$：
$$\begin{gathered} {\text{Embed}}_{\text{input}}(x)=W_{\text{input}}{\text{BERT}}_{\text{CLS}}({\text{join}}_{\text{BERT}}(x)) \\ {\text{Embed}}_{\text{doc}}(x)=W_{\text{doc}}{\text{BERT}}_{\text{CLS}}({\text{join}}_{\text{BERT}}(z_{\text{title}},z_{\text{body}})) \end{gathered}$$
其中$z_{\text{title}}$是文档的标记；$z_{\text{body}}$是正文；用$\theta$表示与检索器相关的所有参数。

知识增强编码器 给定一个输入$x$和检索到的文档$z$，知识增强编码器定义了$p(y|z,x)$，我们将$x$和$z$合并成一个单一序列，并将其输入到Transformer中。这使我们能在预测$y$之前，在$x$和$z$之间执行丰富的交叉注意力，如图1所示。

在该阶段，预训练和微调的架构略有不同，对于掩码语言模型预训练任务，我们必须预测$x$中每个[MASK]标记的原始值，为此我们使用掩码语言建模损失：
$$\begin{gathered} p(y|z,x)=\prod _{j=1}^{J_x}p(y_j|z,x) \\ p(y_j|z,x)\propto \exp (w_j^{\top }{\text{BERT}}_{\text{MASK}(j)}({\text{join}}_{\text{BERT}}(x,z_{\text{body}}))) \end{gathered}$$

其中${\text{BERT}}_{\text{MASK}(j)}$表示对应于第j个掩码标记的Transformer输出向量；$J_x$是$x$中[MASK]标记的总数；$w_j$是针对标记$y_j$学习到的词嵌入。

对于开放式问答微调，我们希望生成答案字符串$y$。假设答案$y$可以作为某个文档$z$中的连续标记序列找到。令$S(z,y)$为匹配$y$在$z$中的跨度的集合，可以定义$p(y|z,x)$为：

其中${\text{BERT}}_{\text{START}(s)}$和${\text{BERT}}_{\text{END}(s)}$分别表示跨度$s$的起始和结束标记对应的Transformer输出向量；MLP是一个前馈神经网络；用$\varphi$表示与知识增强编码器相关的所有参数。

3.3 训练

在预训练和微调中，通过最大化正确输出$y$的对数似然$\log p(y|x)$来训练。

关键的计算挑战在于边缘概率$p(y|x)={\sum }_{z\in \mathcal{Z}}p(y|x,z)p(z|x)$涉及对知识语料库$\mathcal{Z}$中所有文档$z$的求和。我们通过对$p(z|x)$下概率最高的$k$个文档进行求和来近似这个概率。

那我们需要一种有效方法来找到排名前$k$的文档。文档在$p(z|x)$下的排序与在相关性得分$f(x,z)={\text{Embed}}_{\text{input}}(x{)}^{\top }{\text{Embed}}_{\text{doc}}(z)$下的排序相同，后者是一个内积。因此我们可以使用最大内积搜索(Maximum Inner Product Search, MIPS)算法来找到近似的前$k$个文档。

为了计算MIPS，我们预先计算每个$z\in \mathcal{Z}$的${\text{Embed}}_{\text{doc}}(z)$，并在这些嵌入上构建一个高效的搜索索引。然而，如果${\text{Embed}}_{\text{doc}}(z)$的参数$\theta$之后更新了，那么这个数据结构将不再与$p(z|x)$一致，因此，搜索索引在每次对$\theta$进行梯度更新后都会过时。

我们的解决方案是通过异步重新嵌入和重新索引所有文档，每隔几百个训练步骤刷新一次索引。MIPS索引在刷新之间略微过时，但它仅用于选择前$k$个文档。我们使用新的$\theta$重新计算$p(z|x)$及其梯度，用于检索到的前$k$个文档。只要刷新频率足够高，该过程就能实现稳定的优化。

实现异步MIPS刷新 通过并行运行两个作业来异步刷新MIPS索引：一个主训练作业，它对参数执行梯度更新；一个辅助索引构建作业，它嵌入并索引文档。如下所示，训练器将参数的快照${\theta }^{\prime }$发送给索引构建器。然后训练器继续训练，而索引构建器使用${\theta }^{\prime }$在后台构建新索引。一旦索引构建完成，它会将新索引发送回训练器，然后重复该过程。

图 3. 使用异步 MIPS 刷新进行 REALM 预训练。

检索器学到了什么？ 对于给定的查询$x$和文档$z$，$f(x,z)$是知识检索器分配给文档$z$的相关性得分，可以通过分析关于知识检索器参数$\theta$的梯度，来观察REALM预训练期间单步梯度下降如何改变该得分：

对于每个文档$z$，梯度鼓励检索器通过$r(z)$改变分数$f(x,z)$——如果$r(z)$为正则增加，否则减少。当且仅当$p(y|z,x)>p(y|x)$时，乘数$r(z)$为正。

$p(y|z,x)$表示使用文档$z$时预测正确输出$y$的概率；$p(y|x)$表示从$p(z|x)$中随机抽取文档时，$p(y|x,z)$的期望值。因此，只要文档$z$的表现超出预期，它就会收到正向更新。

3.4 在预训练中注入归纳偏差

显著跨度掩码 类似整词掩码，希望关注需要世界知识来预测掩码标记的示例$x$，掩码了显著跨度(salient span)，例如United Kingdom或1967年7月。

空文档 即使使用显著跨度，也并非所有被掩码的词元都需要世界知识来预测。通过在top k检索到的文档中添加一个空维度$\varnothing$来模拟这种情况，允许在不需要检索时将适当的credit分配给一致的汇聚点。

禁止琐碎检索 如果预训练语料库$\mathcal{X}$和知识语料库$\mathcal{Z}$相同，则存在一个过于信息丰富的琐碎(trivial)检索候选$z$：如果掩码句子$x$来自文档$z$，则知识增强编码器可以通过查看$z$中$x$的未掩码版本来预测$y$。这回导致知识检索器学会在$x$和$z$之间寻找精确的字符串匹配，而无法捕捉到其他形式的相关性。因此，在预训练期间排除了这种琐碎(微不足道)的候选者。

初始化 在训练开始时，如果检索器没有为${\text{Embed}}_{\text{input}}(x)$和${\text{Embed}}_{\text{doc}}(z)$生成好的嵌入，则检索到的文档$z$很可能与$x$无关。这会导致知识增强编码器学习忽略检索到的文档。为了避免这种冷启动问题，使用一个简单的训练目标，即逆向完形填空任务，对${\text{Embed}}_{\text{input}}$和${\text{Embed}}_{\text{doc}}$进行预热。在该任务重，给定一个句子，模型被训练以检索该句子来自的文档。

总结

⭐ 为了以更可解释和模块化的方式捕捉知识，作者提出了REALM预训练框架，通过学习文本知识检索器来增强语言模型预训练算法。